[发明专利]基于MLP多层神经网络的天然皮革缺陷分割方法

说明书

本发明公开了基于MLP多层神经网络的天然皮革缺陷分割方法，包括：通过图像采集模块获取皮革图像的数据集，将数据集分为训练集和测试集；根据颜色不同，生成皮革颜色特征图；以特征向量作为MLP多层神经网络的输入，经过MLP多层神经网络的特征训练完成皮革缺陷分割模型的构建；将模型文件进行存储；使用传统图像处理方法预处理待分割的皮革图像，使用模型进行皮革图像预测，得到皮革图像的缺陷分割图；使用传统图像处理方法丰富缺陷分割图的细节；提取皮革的外轮廓和缺陷轮廓，转换成DXF文件。本发明适用于皮革的缺陷分割，能够解决分割效率低和分割不够精细的技术问题，降低人工成本，提高生产效率。

技术领域

本发明涉及天然皮革图像的缺陷检测领域，具体涉及一种基于MLP多层神经网络的天然皮革缺陷分割方法。

背景技术

天然皮革是服饰、箱包、装饰配件等日用品的常用原材料。但是天然皮革或多或少存在一些瑕疵缺陷，根据统计结果，皮革最常见的缺陷就有八种类型。在使用皮革制造产品时，应尽可能的避开这些缺陷；又因为天然皮革的成本较贵，因此应尽可能的保证低成本消耗，除了在生产时降低浪费外，在缺陷的检测时应尽可能的达到高精度检测和分割。

机器学习技术近年来得到了很大的发展，这给图像分割提供了新思路。在过去，图像分割多采用传统的分割方法，而传统分割方法常常因为光照等客观条件导致图像分割效果不佳。在现有的技术中，机器学习方法尤为常见，并且分割效果上很有优势。深度学习技术发展势头最猛，但是其对于样本的需求量太高，对软硬件的要求也高，因此我们提出组合MLP多层神经网络和传统图像处理方法进行天然皮革缺陷分割。

本发明基于机器学习技术开发了一种天然皮革的缺陷检测方法，通过传统图像处理技术进行图像质量的增强，再采用MLP多层神经网络提高缺陷检测的准确率和分割精度。本发明采用较少的样本量可以训练出分割精度较高的网络模型，并且能够实现实时预测。

发明内容

本发明的目的是在于针对上述问题，提供一种检测准确率高、分割精度高的天然皮革的缺陷检测方法，该方法能够快速获得图像的分割结果，并以矢量图的方式保存皮革的外轮廓和缺陷轮廓结果，工作可靠性高、预测速度快。

为实现上述发明目的，本发明提供一种基于MLP多层神经网络的天然皮革缺陷分割方法，包括以下步骤：

S1：通过图像采集模块采集皮革图像，将采集的皮革图像分为训练集和测试集；

S2：根据皮革颜色的不同对皮革图像进行标记，生成皮革颜色特征图；

S3：创建MLP多层神经网络分类器；

S4：将皮革颜色特征图转化成特征向量作为MLP多层神经网络的输入，利用训练集进行训练，将训练结果保存为模型文件；

S5：对测试集中皮革图像进行图像预处理；

S6：使用模型文件对预处理后的皮革图像进行预测，输出皮革图像的缺陷分割结果；

S7：使用传统图像处理方法丰富缺陷分割图的细节得到完整的皮革分割图像；

S8：提取皮革分割图像的瑕疵和皮革轮廓的边缘位置信息并进行坐标转换为DXF文件。

进一步地，上述步骤S3中MLP多层神经网络隐藏层的激活函数采用双曲线正切函数tanh(x)，其计算公式如下：

式中，x作为输入，在神经网络中是特征向量的矩阵；

MLP多层神经网络分类器输出层的值被转换到0～1的值域内，这个转换函数称为softmax函数，其计算公式为：